İlk kez, bilim insanları evrenin karmaşık, üç boyutlu simülasyonlarını oluşturmak için yapay zekayı kullandılar. Derin Yoğunluk Yer Değiştirme Modeli ya da D3M adı verilen sistem o kadar hızlı ve doğru ki onu tasarlayan astrofizikçiler bile neyi nasıl yaptığını çözemiyorlar. Yaptığı şey, yerçekiminin milyarlarca yıl boyunca Evreni şekillendirme şeklini doğru biçimde simüle etmektir.
Diğer simülasyonları aldığı dakikalara kıyasla, her simülasyon sadece 30 milisaniye alır. Ve daha da etkileyicisi, D3M, takım tarafından eğitim için yüklenen 8000 alıştırma simülasyonundan elde ettikleri ile tahmin yoluyla üzerine eğitim almadığı yeni parametreler ayarlayabildi.

Flatiron Enstitüsü ve Carnegie Mellon Üniversitesi ‘nden astrofizikçi Shirley Ho, “Bu, çok sayıda kedi ve köpek resmi içeren resim tanıma yazılımını öğrettikten sonra kendi kendine filleri de tanıyabilmesi gibi.” Örneğini verdi. “Hiç kimse bunu nasıl yaptığını bilmiyor ve bu çözülmesi gereken büyük bir gizem.” Etrafımızdaki evrenin gözlemlenmesi onun evrimi hakkında birçok bilgi sağlayabilir, ancak görebileceklerimizin de sınırları var.
Bu yüzden simülasyonlar çok kullanışlı olabilir. Bilim insanları, gözlemlerimizle eşleşen sonuçları üreten simülasyonların yanı sıra, eşleşmeyen simülasyonları da çalıştırarak, içinde yaşadığımız Evreni oluşturmak en muhtemel senaryoları çözebilirler. Ancak, Evren tarihimizin karmaşıklığı, bu tür simülasyonları hesaplama için yoğun titizlik gerektirir; Tek bir çalışma, yararlı istatistiksel veriler elde etmek için binlerce simülasyon gerektirebilir.
Uluslararası bilgisayarlı astrofizikçiler ekibi tarafından geliştirilen D3M ‘in devreye girdiği yer de burası. 13.8 milyar yıldır (Evrenin yaşı), yerçekiminin uzayda milyarlarca parçacığı nasıl hareket ettirdiğini hesaplar. [Big Bang ’ten Günümüze : Evrenin Tarihi]
600 milyon ışıkyılı büyüklüğündeki bir evren
Bu parçacık hareketini AI ile güçlendirilmemiş yazılımlarla simüle edersek, tek ve oldukça hassas bir simülasyon için 300 saate kadar hesaplama yapılması gerekir; öte yandan birkaç dakika içinde de halledebilirsiniz, ancak doğruluk büyük ölçüde zarar görecektir. Bu problemin üstesinden gelmek için araştırma ekibi, simülasyonları çalıştırmak adına bir sinir ağı geliştirmeye karar verdi ve D3M’i bugüne kadar üretilmiş en yüksek hassasiyete sahip modelden 8.000 farklı simülasyonla besleyerek eğitti.
D3M ‘nin eğitimi tamamlandıktan ve AI doğru bir şekilde çalıştıktan sonra, test sürüşü için hazırdı. Araştırmacılar ondan, her taraftan yaklaşık 600 milyon ışıkyılı büyüklüğündeki bir evreni simüle etmelerini istedi.

Çıktıyı değerlendirmek için, ekip aynı anda hem çok yavaş çalışan yüzlerce saat yöntemiyle hem de sadece birkaç dakika süren yöntemle aynı simülasyonu gerçekleştirdi. Beklendiği gibi, yavaş yöntem en doğru sonucu üretirken, hızlı olanı yüzde 9,3’lük bir göreceli hata oranı üretti. D3M, önceki tüm hızlı yöntemleri saf dışı bıraktı.
Simülasyonunu sadece 30 milisaniyede gerçekleştirdi ve yavaş ama süper hassas modelle karşılaştırıldığında, sadeceyüzde 2,8 göreceli hata oranı oluştu. Daha da etkileyici olansa, yalnızca tek bir parametre setinde eğitilmiş olmasına rağmen, sinir ağı, simüle edilmiş. [Evrenin Bir Sonu Var Mı? Yoksa Evren Sonsuz Mu?]
Evrenin yapı oluşumunu, örneğin, karanlık madde miktarı durumunda bile, henüz eğitilmemiş olan diğer parametrelere dayanarak tahmin ederek çeşitlendirdi. Bu, AI ‘nin bir dizi simülasyon görevine uygun hale getirilebilecek bir esnekliğe sahip olabileceği anlamına gelir. Bunun gerçekleştirmeden önce ise, ekip ne yaptığını ve tam olarak nasıl başardığını bulmayı umuyor.
Ho,“Bir makine öğrenicisinin, bu modelin neden bu kadar iyi tahmin ettiğini, neden sadece kedileri ve köpekleri tanımak yerine filleri de tanıdığını görmek için kullanması ilginç bir oyun alanı olabilir” dedi. “Bilim ve derin öğrenme arasında iki yönlü bir sokak.”Araştırma PNAS’ta yayınlandı. [Hepimiz Bir Simülasyonda Yaşıyoruz]
Editör / Yazar: Berfin KAZAZ